用python做有趣的事儿——模拟登陆知乎

用Python做网络数据采集，是非常方便的。特别是使用第三方库requests。
window下安装方法 pip install requests
处理网页超文本信息，使用第三方库BeautifulSoup，也是很方便。
window下安装方法 pip install beautifulsoup4
通常会用到的是requests.get()和requests.post()。其他的，当你需要的时候去官方文档是最好的捷径。
我们处理的还是HTML，了解一些HTML是必须的，起码得知道标签，属性，属性值等等，只有这样我们才能在一堆信息里提取出我们想要得信息。
最近在看《Python网络数据采集》，打算拿知乎当作练手的网站（心疼知乎-。-）。知乎毕竟是企业级的网站，在模拟登录的时候遇到了很多挫折，对，就是挫折，前几天因为一直登录不上还放弃过（呸，丢人的家伙）。今天不经意的在书中看到隐藏字段，恍然大悟。原来知乎的表单里有隐藏字段啊。
通过BeautifulSoup过滤出隐藏字段，然后post，但是还是不能登录成功，很恼火。逼不得已上网看了别人的源码，shit，竟然有验证码，我在知乎的网页端没看见啊，所以我把验证码的这快程序加上，结果，，，，登录成功。好吧，知乎你赢了。

# -*- coding: utf-8 -*-'''Info- auther  : Cherish_x- qq      : 344799672- data    : 2017.9.8'''import reimport timeimport requestsfrom io import BytesIOfrom PIL import Imagefrom bs4 import BeautifulSouploadpost_url = 'https://www.zhihu.com/login/phone_num'load_url = 'https://www.zhihu.com/#signin'agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'headers = {    'User-Agent': agent,    'Referer': 'https://www.zhihu.com/',    'Host': 'www.zhihu.com'}FormData = {    '_xsrf': '',    'password': 'xu344799672',    'phone_num': '17853530696'}#———————————————————————————————————————————————————————————#       模拟登陆知乎def anaLoad(load_url, loadpost_url, headers, FormData):    #—————————————————————————————————————————————————————————    #   保持会话信息    session = requests.session()    #—————————————————————————————————————————————————————————    #   获取动态参数_xsrf    r = session.get(load_url, headers=headers)    _xsrf = r.cookies['_xsrf']    FormData['_xsrf'] = _xsrf    #—————————————————————————————————————————————————————————    #   获取验证码，并以照片的形式打开，手动输入    randomtime = str(int(time.time() * 1000))    captchaurl = 'https://www.zhihu.com/captcha.gif?r=' + \                 randomtime + "&type=login"    captcharesponse = session.get(url=captchaurl, headers=headers)    tempIm = BytesIO(captcharesponse.content)  # 将数据流放入tempIm以字节的形式    im = Image.open(tempIm)  # 转换为图片的形式    im.show()  # 打开    captch = input('Please input coding:')    #—————————————————————————————————————————————————————————    #   登录    FormData['captcha'] =captch    posthtml = session.post(loadpost_url, data=FormData, headers=headers)    #print(posthtml.cookies)    msg = eval(posthtml.text)#  转为字典格式    print(msg['msg'])    return session  #返回会话信息，以备下次使用#———————————————————————————————————————————————————————————#   跳转知乎内链def throughUrl(session, headers):    urlList = []    r = session.get('https://www.zhihu.com/#signin', headers=headers)    bs0bj = BeautifulSoup(r.text, 'html.parser')    Text = bs0bj.findAll('meta', {'itemprop': 'url'})    for i in Text:        i = i.attrs['content']        if i not in urlList and 'www.zhihu.com' in i:#  去重、去外链（知乎专栏，不能跳转，待解决）            urlList.append(i)            accessUrl(session, i, headers, urlList)#———————————————————————————————————————————————————————————#   访问链接def accessUrl(session, url, headers, urlList):    r = session.get(url, headers=headers)    bs0bj = BeautifulSoup(r.text, 'html.parser')    #text = bs0bj.findAll('span', {'itemprop': 'text'})    text = bs0bj.findAll('meta', {'itemprop': 'name'})    print(text)    print('——————————————————————————————————————————————————')    html = bs0bj.findAll('meta', {'itemprop': 'url'})#  寻找链接所在    for i in html:        i = i.attrs['content']        if i not in urlList and 'www.zhihu.com' in i:#  去重、去外链（知乎专栏，不能跳转，待解决）            urlList.append(i)            time.sleep(3)            accessUrl(session, i, headers, urlList)if __name__ == '__main__':    session = anaLoad(load_url, loadpost_url, headers, FormData)    throughUrl(session, headers)

目前实现了模拟登陆知乎，遍历采集的知乎内链（去重检查），我会把这个项目一直更新写下去的，除非真的没有功能可以拓展了。也以此深入了解学习网络数据采集。值得注意的是，一定要有延时，应为知乎的防爬意识很严肃，在调试程序的时候，我就经常被知乎封ip，此时需要用网页登录一次输入验证码即可。 好吧，知乎就你了！